CN112791566B - 一种SCR入口NOx浓度分区的预测方法 - Google Patents

一种SCR入口NOx浓度分区的预测方法 Download PDF

Info

Publication number
CN112791566B
CN112791566B CN202011381540.0A CN202011381540A CN112791566B CN 112791566 B CN112791566 B CN 112791566B CN 202011381540 A CN202011381540 A CN 202011381540A CN 112791566 B CN112791566 B CN 112791566B
Authority
CN
China
Prior art keywords
nox concentration
data
scr inlet
scr
nox
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011381540.0A
Other languages
English (en)
Other versions
CN112791566A (zh
Inventor
朱红盛
卢志民
张秀英
姚顺春
刘彦飞
莫爵徽
张向
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Cntest Intelligent Technology Co ltd
South China University of Technology SCUT
Hohhot Kelin Thermal Power Co Ltd
Original Assignee
Foshan Cntest Intelligent Technology Co ltd
South China University of Technology SCUT
Hohhot Kelin Thermal Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan Cntest Intelligent Technology Co ltd, South China University of Technology SCUT, Hohhot Kelin Thermal Power Co Ltd filed Critical Foshan Cntest Intelligent Technology Co ltd
Priority to CN202011381540.0A priority Critical patent/CN112791566B/zh
Publication of CN112791566A publication Critical patent/CN112791566A/zh
Application granted granted Critical
Publication of CN112791566B publication Critical patent/CN112791566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/30—Controlling by gas-analysis apparatus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/8621—Removing nitrogen compounds
    • B01D53/8625—Nitrogen oxides
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/8696—Controlling the catalytic process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2251/00—Reactants
    • B01D2251/20—Reductants
    • B01D2251/206—Ammonium compounds
    • B01D2251/2062—Ammonia
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2258/00—Sources of waste gases
    • B01D2258/02—Other waste gases
    • B01D2258/0283—Flue gases

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明提供了一种SCR入口NOx浓度分区的预测方法，通过建立SCR入口的NOx浓度分布预测模型，对SCR入口烟道划分多个取样分区作为NOx浓度预测的分区。采用运行参数对SCR入口多个分区的NOx浓度进行预测，这样便可以得到多个分区的预测数据，而非单一的预测值，更能反映NOx在截面上的真实分布。

Description

一种SCR入口NOx浓度分区的预测方法
技术领域
本发明涉及火电机组脱硝技术领域，具体涉及一种SCR入口NOx浓度分区的预测方法。
背景技术
现有技术中，SCR控制采用1-3个NOx平均浓度信号作为N个喷氨格栅控制阀的前馈信号，只能对喷氨总量进行控制。传统的NOx预测结果不能真实反映截面上不均匀的NOx浓度分布。要实现精细化喷氨，只能多次实验、多次手工调整，使喷氨量与喷氨格栅截面分区的NOx相匹配。变工况时，根据传统的预测结果对喷氨格栅进行调节将会耗费大量的人力物力；短时间内变工况运行，手工调整不能及时响应NOx浓度的变化。尽管目前喷氨自动控制系统已经大量投入使用，而以目前单一的NOx预测值作为前馈量无法使喷氨格栅自动控制系统有区别喷氨。
为了适应NOx浓度在截面上的不均匀，大多电厂采用分区喷氨的方案进行喷氨，喷氨格栅往往有数十个调节的喷嘴，总共控制上百个喷氨喷嘴。SCR脱硝系统喷氨的在线精细化控制，主要依靠在SCR出口分区和入口分区的烟气采样探头和测量装置，得到了出口的NOx分布以后，针对性地对喷氨格栅进行调整，但是针对变负荷或者锅炉启停过程，喷氨格栅接收信号存在2-3min的滞后，此信号不能及时对喷氨阀门进行调节，会造成氨量的过喷或者欠喷。这是分区监测对于喷氨控制的显著缺点。
以传统的单一监测数据为前馈量、以出口分区监测数据或者入口分区的监测数据作为反馈量对喷氨格栅进行调节，当稳定工况时可以主要依靠分区的监测值较好地是实现喷氨量与烟气NOx浓度相匹配，当变工况和启停机工况时，反馈量对系统有2-3min的滞后，均匀的NOx预测量作为前馈量只能控制总喷氨量，会造成截面分区上的氨量与NOx不匹配，由此造成氨逃逸或者脱硝效率下降。造成局部喷氨量过喷和局部欠喷的现象。
现有的SCR入口NOx预测模型只能预测SCR入口截面的总体的NOx浓度，想要把预测结果作为前馈信号对喷氨进行智能调节优化，现有的模型不能对分区喷氨控制进行指导。
发明内容
本发明的目的在于通过将SCR入口分为多个区域，利用各个分区的监测数据及DCS系统运行数据拟合入口各个分区NOx浓度与运行参数之间的关系，建立多个分区的NOx浓度预测模型，并将各分区的结果加和计算总喷氨量，实现喷氨格栅的精细化喷氨。
根据本发明实施例的一个方面，提供一种SCR入口NOx浓度分区的预测方法，包括：
S100：对SCR入口截面进行区域划分；
S200：采集建模所需数据，所述所需数据包括SCR入口截面多个划分区域的NOx浓度数据以及DCS数据；
S300：对所述所需数据进行预处理，剔除其中的异常值和缺失值；
S400：选取主元成分，所述主元成分为基于主元分析法选取的对NOx浓度影响的主要因素；
S500：对SCR入口多个分区进行NOx浓度预测建模，并输出分区NOx浓度预测值。
优选地，所述区域划分包括对SCR入口烟道的不同烟道截面的多个区域划分。
优选地，所述SCR入口截面多个划分区域的NOx浓度数据基于每个取样分区对应有3根不同长度的高温取样探头进行数据采集。
优选地，所述数据采集的时间间隔为1分钟。
优选地，经过预处理的数据中，不超过3/4的数据作为训练数据，剩余数据用于检验模型。
优选地，所述选取的对NOx浓度影响的主要因素实施为取累计贡献率达到90％以上的特征值作为所述主元成分。
优选地，还包括：根据所述训练数据和SCR入口各个分区的NOx浓度监测数据构建SCR反应器入口NOx浓度分布预测模型。
优选地，所述SCR反应器入口NOx浓度分布预测模型采用BP神经网络建模方法构建。
优选地，还包括，通过将所述主元成分输入训练样本中，进而计算所述预测模型实际输出值，并计算实际输出与期望输出的误差，判断所述误差是否在允许范围内；当误差在允许误差外时，计算权值的修正量并修正权值，并将修正后的权值重新代入到训练样本中，以重新计算；直至当误差在允许误差内时，输出分区NOx浓度预测值。
优选地，还包括，S600：基于所述分区NOx浓度预测值控制各个分区的喷氨量以及总喷氨量。
从而，通过将SCR入口分为多个区域，利用各个分区的监测数据及DCS系统运行数据拟合入口各个分区NOx浓度与运行参数之间的关系，建立多个分区的NOx浓度预测模型，并将各分区的结果加和计算总喷氨量，实现喷氨格栅的精细化喷氨。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明NOx浓度分区预测模型建立过程示意图；
图2为本发明SCR控制系统总览示意图；
图3为本发明前馈控制原理示意图；
图4为本发明基于分区预测的喷氨控制系统示意图。
附图标记：
100-锅炉系统，110-喷氨格栅，120-SCR反应器，130-喷氨总阀，131-分区支管阀门，200-数据收集模块，300-运算模块，400-执行模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
根据本发明实施例的一个方面，提供一种SCR入口NOx浓度分区的预测方法，NOx浓度分区预测模型建立过程如图1所示。包括如下步骤：
S100：对SCR入口截面进行区域划分。
对SCR入口烟道A侧和B侧各划分n个取样分区，共2n个取样分区作为NOx浓度预测的分区，分别编号A1、A2…An、B1、B2…Bn。
A侧和B侧分别为在SCR入口烟道中的不同烟道截面。通过A侧和B侧两个截面内的划分多个分区，可以在SCR入口烟道中形成具有纵深的立体分区预测模型，对于NOx浓度在多烟道中的变化可以更好的把控和预测控制。
对于容量较小的锅炉采用的单烟道，则可以对SCR入口截面只划分单侧的n个分区。
S200：采集建模所需的数据。
建模所需的数据为SCR入口截面多个划分区域的NOx浓度数据以及DCS数据。具体方法如下：
S210：每个取样分区对应有3根不同长度的高温取样探头，共组成6n(对于只划分单侧的n个分区的为3n)路独立的网格化取样管路，每个分区采用3根取样探头。
在一些实施例中，为有效保证系统所测量的结果能够表征SCR烟道内A1至Bn各个分区的NOx浓度情况，针对变负荷工况，每分钟选取一次各个分区的NOx浓度数据并保存。以保证对分区的NOx浓度监测值用于训练模型和验证模型的准确性。
S220：在S210中对NOx在2n(对于只划分单侧的n个分区的为n)个分区的浓度监测值采集的同时，提取相对应时刻DCS系统的运行数据储存。
S300：数据的预处理。
根据S210和S220中选取的变量，剔除其中的异常值和缺失值。
经过预处理的数据中，不超过3/4的数据作为训练数据，剩余数据用于检验模型。
S400：选取主元成分。
主元成分为基于主元分析法选取对NOx浓度影响的主要因素。具体为：
影响NOx生成的因素很多，对众多变量进行筛选，通过主元分析法选取对NOx浓度影响的主要因素，使原始数据达到降维的目的同时统计各主元成分的累计贡献率，一般取累计贡献率达到90％以上的特征值为第1个至第k个主元成分。
S500：对SCR入口多个分区进行NOx浓度预测建模，并输出分区NOx浓度预测值。
根据训练数据和SCR入口各个分区的NOx浓度监测数据构建SCR反应器入口NOx浓度分布预测模型。
通过将主元成分输入训练样本中，进而计算模型实际输出值，并计算实际输出与期望输出的误差，判断该误差是否在允许范围内。当误差在允许误差外时，则计算权值的修正量并修正权值，并将修正的权值重新代入到训练样本中，以重新计算；直至当误差在允许误差内时，输出分区NOx浓度预测值。
控制系统将根据输出的分区的NOx浓度预测值控制分区喷氨量，以实现喷氨格栅的精细化喷氨。
在一些实施例中，SCR反应器入口NOx浓度分布预测模型采用BP神经网络建模方法构建。
模型备选输入变量集包括通过主元分析法从M个变量中筛选出N个主要变量。
本发明实施例以某600MW机组为例，以总风量、锅炉蒸发量、总煤量、机组负荷、送风机风门开度、送风机B侧电流、SCR脱销反应器入口B侧烟温、空预器B侧进口烟温、空预器B侧出口烟温、送风机A侧电流、SCR脱销反应器入口A侧烟温、主蒸汽温度、主蒸汽压力、空预器A侧进口烟温、空预器A侧出口烟温、后燃尽压力、B层二次风门2号辅助挡板共17个变量为模型输入变量；模型输出量为SCR入口各个分区的NOx预测浓度。
对SCR入口A1至Bn个分区进行NOx浓度预测建模。
选取SCR入口A1分区的NOx监测数据和对应时刻的DCS系统中经过预处理的数据，以A1分区的NOx浓度为输出变量，以上述筛选的17个变量为输入变量，基于BP神经网络法进行建模。即以上述17个变量对应的DCS系统中的数据作为输入数据，以A1分区的NOx浓度作为输出数据，对模型进行训练并验证。
分别选取A2、A3…Bn分区的NOx浓度和对应时刻的DCS系统中经过预处理的数据，对A2至Bn个分区的NOx浓度和DCS系统数据进行拟合，建立各个分区的NOx浓度预测模型，建立模型方法同A1分区的方法。
本发明对SCR入口分为2n(对于只划分单侧的n个分区的为n)个监测区域，以运行参数为输入变量对2n(对于只划分单侧的n个分区的为n)个区域建立NOx浓度预测模型，用以前馈信号对喷氨格栅进行分区喷氨控制，构成基于分区预测的喷氨控制系统。
从而，基于分区的NOx浓度分布预测，对于非均匀的NOx分布条件，可以准确地采用分区喷氨方式使截面上氨氮摩尔比尽量均匀，以减小氨逃逸率、提高脱硝效率。
本发明提供了一种SCR入口NOx浓度分区的预测方法，通过建立SCR入口的NOx浓度分布预测模型，对SCR入口烟道划分多个取样分区作为NOx浓度预测的分区。采用运行参数对SCR入口多个分区的NOx浓度进行预测，这样便可以得到多个分区的预测数据，而非单一的预测值，更能反映NOx在截面上的真实分布。
特别的，本发明建立SCR入口的NOx浓度分布预测模型，对SCR入口烟道A侧和B侧各划分n个取样分区，共2n个取样分区作为NOx浓度预测的分区(对单侧烟道只有n各区域)。采用运行参数对SCR入口A1至Bn共2n个分区的NOx浓度进行预测，这样便可以得到2n个分区的预测数据，而非单一的预测值，更能反映NOx在截面上的真实分布。
根据本发明实施例的另一个方面，提供一种喷氨系统，如图2所示。该喷氨系统主要由数据收集模块200、运算模块300和执行模块400三个模块组成，数据收集模块200由上述预测模型和DCS系统组成，主要收集锅炉系统100的运行数据和各分区预测数据并传输至运算模块300；运算模块300根据数据计算对应每个分区的喷氨量以及总喷氨量并将结果传输至执行模块400；执行模块根据喷氨量对相应喷氨格栅110分区的分区支管阀门131进行调节，数据收集模块200、运算模块300、执行模块400和锅炉系统100组成闭环控制系统。还包括喷氨总阀130，喷氨总阀130基于各个分区支管阀门131的喷氨量的加和值控制喷氨总阀130的开度，以精准控制喷向SCR反应器120的氨量供给。
在锅炉稳定运行时，燃煤的成分变化不会很大，各运行参数均保持相对平稳，NOx生成量及分布基本平稳，故主要以出口分区的NOx监测值进行控制。当变工况或启停机时，采用出口分区的NOx监测值进行控制具有较大偏差。以入口分区的NOx预测值作为前馈量可弥补反馈信号滞后造成喷氨量与NOx分布不匹配。前馈控制原理如图3所示，一端将入口分区的NOx预测值作为前馈量输入前馈控制器，另一端由出口NOx测量值和出口NOx设定值的差值作为反馈信号输入反馈控制器中，进行出口NOx的反馈控制，并通过前馈控制器和反馈控制器协同控制喷氨流量调节阀，以调节出口NOx测量值在规定范围内。
并且，本发明基于分区预测结果，将预测结果传输至分区处理器，处理器包括对喷氨量进行计算和发出阀门执行命令，A、B两侧烟道对称，以A侧分区为例。如图4所示，分区A1处理器基于A1分区的预测值对相应分区的喷氨量进行计算并发出指令控制分区支管阀门131的开度；A2至An分区的控制方法同上。同时A1至An处理器所计算的数据各传输至总处理器，总处理器进行加和，计算总喷氨量，并发出指令控制总阀130开度。从而，通过分处理器和总处理器的分别控制分区支管阀门131的开度和总阀130开度，即通过总量和分量的协调控制，可以更加精确地调节喷氨流量压力，避免总流量偏差导致的在相同的分区支管阀门131的开度下，分区喷氨量因上游压力流量的偏差带来的偏差。从而，在氨空混合器固定压力下，仅通过总阀130和分区支管阀门131的开度控制就可以精准的控制各个分区的喷氨量。
从而，相较于传统的喷氨方式无法根据NOx分区预测结果对喷氨格栅进行调节，本发明用分区预测结果对喷氨系统进行控制，代替传统的单一的平面平均NOx预测数据，可实现在启停机工况和变工况运行时分区喷氨的精细化控制。如A1区的NOx预测值作为喷氨格栅A1对应分区的控制阀的前馈信号，采取同样的方法将其他各个分区的预测值作为相应分区喷氨控制阀的前馈信号。同时，将各个分区的结果加和，可计算得总喷氨量以控制总阀。当锅炉系统变负荷或者启停机时，由于出口的NOx分布检测具有较大的时滞，采用分区上的NOx预测结果可作为调节依据指导分区喷氨格栅的调节，弥补出口监测值对调节的时滞的同时，可以通过预测值计算喷氨格栅各分区的喷氨量，实现精细化喷氨。
从而，针对NOx在喷氨格栅截面上的不均匀，喷氨格栅以2n(n)个分区的NOx预测值作为对应分区的前馈信号，对喷氨系统优化控制，以保证氨氮摩尔比尽量均匀，降低氨逃逸率，提高脱硝效率。
并且，对于锅炉变工况和启停机工况，SCR出口NOx浓度监测信号对于喷氨控制系统具有较大滞后，传统的NOx预测模型只能预测截面上一个平均值，不能对分区喷氨控制提供指导。而本发明基于对SCR入口分区NOx浓度的预测，采用不同分区的预测值计算对应分区的喷氨格栅处的喷氨量，同时将各分区的结果加和计算总喷氨量，实现喷氨格栅的精细化喷氨，构成基于分区预测的喷氨控制系统。
本发明实施例提供的一种SCR入口NOx浓度分区的预测方法可以软件功能模块的形式实现并作为独立的产品销售或使用，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种SCR入口NOx浓度分区的预测方法，其特征在于，包括：
S100：对SCR入口截面进行区域划分；
S200：采集建模所需数据，所述所需数据包括SCR入口截面多个划分区域的NOx浓度数据以及DCS数据；
S300：对所述所需数据进行预处理，剔除其中的异常值和缺失值；
S400：选取主元成分，所述主元成分为基于主元分析法选取的对NOx浓度影响的主要因素；
S500：对SCR入口多个分区进行NOx浓度预测建模，并输出分区NOx浓度预测值；
其中，步骤S300包括：经过预处理的数据中，不超过3/4的数据作为训练数据，剩余数据用于检验模型；
步骤S500包括：根据所述训练数据和SCR入口各个分区的NOx浓度监测数据构建SCR反应器入口NOx浓度分布预测模型。
2.如权利要求1所述的SCR入口NOx浓度分区的预测方法，其特征在于，
所述区域划分包括对SCR入口烟道的不同烟道截面的多个区域划分。
3.如权利要求1所述的SCR入口NOx浓度分区的预测方法，其特征在于，
所述SCR入口截面多个划分区域的NOx浓度数据基于每个取样分区对应有3根不同长度的高温取样探头进行数据采集。
4.如权利要求3所述的SCR入口NOx浓度分区的预测方法，其特征在于，
所述数据采集的时间间隔为1分钟。
5.如权利要求1所述的SCR入口NOx浓度分区的预测方法，其特征在于，
所述选取的对NOx浓度影响的主要因素实施为取累计贡献率达到90％以上的特征值作为所述主元成分。
6.如权利要求1所述的SCR入口NOx浓度分区的预测方法，其特征在于，
所述SCR反应器入口NOx浓度分布预测模型采用BP神经网络建模方法构建。
7.如权利要求6所述的SCR入口NOx浓度分区的预测方法，其特征在于，还包括，
通过将所述主元成分输入训练样本中，进而计算所述预测模型实际输出值，并计算实际输出与期望输出的误差，判断所述误差是否在允许范围内；
当误差在允许误差外时，计算权值的修正量并修正权值，并将修正后的权值重新代入到训练样本中，以重新计算；
直至当误差在允许误差内时，输出分区NOx浓度预测值。
8.如权利要求1-7任一项所述的SCR入口NOx浓度分区的预测方法，其特征在于，还包括，
S600：基于所述分区NOx浓度预测值控制各个分区的喷氨量以及总喷氨量。
CN202011381540.0A 2020-12-01 2020-12-01 一种SCR入口NOx浓度分区的预测方法 Active CN112791566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011381540.0A CN112791566B (zh) 2020-12-01 2020-12-01 一种SCR入口NOx浓度分区的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011381540.0A CN112791566B (zh) 2020-12-01 2020-12-01 一种SCR入口NOx浓度分区的预测方法

Publications (2)

Publication Number Publication Date
CN112791566A CN112791566A (zh) 2021-05-14
CN112791566B true CN112791566B (zh) 2022-11-29

Family

ID=75806107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011381540.0A Active CN112791566B (zh) 2020-12-01 2020-12-01 一种SCR入口NOx浓度分区的预测方法

Country Status (1)

Country Link
CN (1) CN112791566B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113578007A (zh) * 2021-08-10 2021-11-02 浙江浩普智能科技有限公司 一种基于分区喷氨的燃煤烟气scr脱硝调控系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105597537A (zh) * 2015-10-26 2016-05-25 烟台龙源电力技术股份有限公司 基于预测控制技术的脱硝控制方法及脱硝系统
DK2102458T3 (en) * 2006-12-22 2016-11-14 Covanta Energy Llc Dynamic control of selective non-catalytic reduction system for semibatch-fed stoker-based urban waste incineration

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882929B2 (en) * 2002-05-15 2005-04-19 Caterpillar Inc NOx emission-control system using a virtual sensor
CN106931453B (zh) * 2017-02-27 2018-02-16 浙江大学 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法
CN107243257B (zh) * 2017-05-08 2019-11-05 浙江大学 适合全负荷的智能喷氨控制系统
CN108664006A (zh) * 2018-07-02 2018-10-16 大唐环境产业集团股份有限公司 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统
CN109304087B (zh) * 2018-10-31 2021-01-19 华中科技大学 一种基于脱硝反应动力学方程的电站scr喷氨控制方法
CN109978011A (zh) * 2019-03-04 2019-07-05 北京工业大学 一种城市固废焚烧过程二噁英排放浓度预测系统
CN210278790U (zh) * 2019-04-18 2020-04-10 中国华电科工集团有限公司 Scr喷氨系统及脱硝系统
CN110252132A (zh) * 2019-06-14 2019-09-20 许昌龙岗发电有限责任公司 基于多参数预测的scr脱硝优化控制系统开发及应用方法
CN110975597B (zh) * 2019-10-15 2022-03-01 杭州电子科技大学 一种水泥脱硝的神经网络混合优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK2102458T3 (en) * 2006-12-22 2016-11-14 Covanta Energy Llc Dynamic control of selective non-catalytic reduction system for semibatch-fed stoker-based urban waste incineration
CN105597537A (zh) * 2015-10-26 2016-05-25 烟台龙源电力技术股份有限公司 基于预测控制技术的脱硝控制方法及脱硝系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于NOx预测与均衡脱硝的智能喷氨系统优化控制及应用";钱勇武;《机电信息》;20200315(第614期);第55-57页 *

Also Published As

Publication number Publication date
CN112791566A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN105597537B (zh) 基于预测控制技术的脱硝控制方法
CN107561941B (zh) 一种火电机组脱硝系统的全工况达标排放控制方法
CN110368808B (zh) 一种scr烟气脱硝系统的喷氨量控制方法及系统
CN108664006A (zh) 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统
CN101657765B (zh) 利用从统计和实时数据得到的可达到性能对设备进行通用性能评估的方法和装置
CN102374519B (zh) 蒸汽温度的动态矩阵控制的动态整定
CN102374518B (zh) 使用动态矩阵控制的蒸汽温度控制
CN102374520B (zh) 带有防止饱和蒸汽进入过热器的蒸汽温度的动态矩阵控制
CN107544288A (zh) 一种脱硝优化控制方法和系统
CN113433911A (zh) 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法
CN101477332A (zh) 工厂的控制装置及工厂的控制方法
CN112791566B (zh) 一种SCR入口NOx浓度分区的预测方法
RU2691819C1 (ru) Устройство для регулирования температуры стального листа и способ регулирования температуры
CN111880504A (zh) 一种智能的动态分区喷氨控制方法和系统
CN112221347A (zh) 一种scr脱硝系统精准喷氨控制方法
CN112316718A (zh) 一种w火焰锅炉脱硝喷氨控制系统及方法
CN110618706A (zh) 一种基于数据驱动的多级智能脱硝在线优化控制系统
CN114307627B (zh) 一种基于理论氨耗量的脱硝调节方法
CN115145152A (zh) 一种锅炉燃烧与脱硝过程协同优化控制的方法
CN113578007A (zh) 一种基于分区喷氨的燃煤烟气scr脱硝调控系统及方法
CN112783115B (zh) 一种蒸汽动力系统的在线实时优化方法及装置
CN113970937A (zh) 一种scr脱硝精准喷氨控制方法
CN105511436B (zh) 烟气脱硝系统两台反应器喷氨量的协调控制方法及系统
CN112257278A (zh) 机组耗差计算模型获取方法、耗差获取方法及系统
CN112361322A (zh) 锅炉给水自动加氨装置及灰色预测前馈pid控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant